《表2 不同多尺度算法的优缺点及适用场景对比》
表1中比较了不同代表性多尺度检测算法在MS COCO数据集上的平均精度均值。从表1中可以看出,以VGG16作为主干网络的SSD在MS COCO数据集上的m AP仅仅为31.2%,随后出现的FPN通过融合高低层特征使SSD模型的检测精度提升了5%。近两年,在FPN的基础上,一些学者通过不同的特征层融合方式或者引入扩张卷积来解决多尺度问题均取得很大提升,AC-FPN[31]使用不同扩展率的多路径扩张卷积层在MS COCO数据集上获得了45%的m AP,CBNet[3]融合了多主干网络的高层和低层特征在MS COCO数据集上获得了53.3%的m AP。表2中比较了不同多尺度算法的优缺点及适用场景,从表中的结果可以看出,近几年目标检测的精度在不断提升,这是因为它们使用了表达能力更强的主干网络,融合了更多的特征信息,但网络模型的参数量、计算量以及所需要的内存不断增加。未来该类型的算法应结合轻量级的网络,兼顾检测精度和速度的同时,减少对硬件设备的需求。
图表编号 | XD00201571800 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.01 |
作者 | 罗会兰、彭珊、陈鸿坤 |
绘制单位 | 江西理工大学信息工程学院、江西理工大学信息工程学院、江西理工大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |